Image
Maîtrise en gestion (M. Sc.) – science des données et analytique d’affaires
Préparez-vous à relever les défis de gestion de l'ère numérique et de l’intelligence artificielle. Développez une expertise en analyse et en science des données, et outillez-vous pour prendre de meilleures décisions, innover et être plus compétitif.
Présentation
| Acquisition de notions permettant de développer des modèles et méthodes avancées en optimisation, modélisation, statistiques et apprentissage automatique (machine learning, deep learning). |
| Développement d’habiletés en vue de résoudre des problèmes de décision en gestion : construction de modèles de données complexes ou d’optimisation, analyse et résolution à l’aide de langages de programmation et de logiciels appropriés. |
| Apprentissage des principes d’optimisation des processus d’affaires. |
| Possibilité de se doter d’un profil quantitatif avancé avec expérience de travail (cheminement avec projet supervisé) ou d’approfondir un sujet de recherche spécifique (cheminement avec mémoire). |
| Corps professoral renommé au-delà des frontières du Canada, tant dans le milieu de la recherche que dans celui des affaires. |
| Le cours Expérience Québec facilite l’intégration des étudiantes et étudiants de l'international aux marchés de l'emploi québécois et canadien. Il est proposé à la plupart de celles et ceux qui ont choisi le cheminement avec projet supervisé. |
Caractéristiques
du programme
-
2ᵉ cycle
-
45 crédits
Le crédit est une unité qui permet d'attribuer une valeur numérique à la charge de travail requise d'un étudiant pour atteindre les objectifs particuliers d'un cours et représente 45 heures de travail. Un cours dans le système universitaire québécois correspond, en général, à 3 crédits.
- Temps plein
- Temps partiel
- Jour
- Présentiel
- Côte-des-Neiges
De la recherche dans votre domaine d’études
Le consortium en intelligence artificielle IVADO regroupe des équipes professionnelles et de recherche afin de développer une expertise dans les domaines de la science des données, de l’optimisation (recherche opérationnelle) et de l’intelligence artificielle. Plusieurs professeures et professeurs de cette spécialisation sont membres du MILA, centre de recherche en intelligence artificielle situé à Montréal et mondialement reconnu.
- Chaire de recherche en prise de décision basée sur les données
- Chaire de recherche en prise de décision séquentielle en incertitude
- Chaire de recherche Scale AI en intelligence artificielle pour la mobilité et la logistique urbaines
- Deux chaires en intelligence artificielle Canada-CIFAR
- Centre de recherche en mathématiques (CRM)
- Centre interuniversitaire de recherche sur les réseaux d’entreprise, la logistique et le transport (CIRRELT)
- Groupe d'études et de recherche en analyse des décisions (GERAD)
Un pas vers votre avenir professionnel
Les organisations font confiance à l’expertise acquise à cette maîtrise. Les exemples de projets supervisés proposés en témoignent.
- Analyse de données dans un contexte d’analyse de sentiments
- Élaboration de modèles de prévision dans un contexte d'affaires : achats, ventes, résiliation, désabonnement et pannes
- Modélisation de risque de crédit
- Optimisation de la gestion des stocks
- Segmentation de clients dans un contexte marketing
QTEM Masters Program : intégrez un réseau de classe mondiale!
Faites un trimestre d’études en contexte international dans l’un des établissements du prestigieux réseau QTEM pour obtenir la certification QTEM – technologies quantitatives en économie et en gestion.
Vos perspectives professionnelles
Près de
100 %
de taux de placement
Expertise recherchée dans plusieurs domaines de la gestion : finance, marketing, logistique, gestion des opérations, gestion des ressources humaines, etc.
Postes détenus par des personnes ayant obtenu ce diplôme :
- Analyste en intelligence d'affaires
- Analyste d'application
- Analyste d'affaires
- Directrice ou directeur des opérations
Ces autres programmes pourraient vous intéresser
Vous étudiez déjà dans le programme? Consultez votre liste de cours dans HEC en ligne > Progression scolaire.
Cette spécialisation propose le cheminement avec mémoire ou le cheminement avec projet supervisé pour un total de 45 crédits, sur une durée de 16 à 24 mois.
Sélectionnez un cheminement :
Mémoire
Mémoire
- 7 cours (21 crédits)
- 2 activités obligatoires non créditées
- Mémoire (24 crédits)
3 cours de spécialisation
-
MATH 60629Apprentissage automatique I : analyse des mégadonnées et prise de décisionMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3L'avènement des données massives requiert des outils d'analyses appropriés. L'apprentissage automatique (machine learning) offre ces outils et est incontournable pour modéliser des problèmes dans divers domaines tels que l'intelligence artificielle, la bio¿informatique, la finance, le marketing, l'éducation, le transport et la santé. Nous étudierons les modèles d'apprentissage automatique pour l'apprentissage supervisé, non supervisé et comment ils peuvent être étendus aux données massives à l'aide de techniques de calcul à grande échelle (p. ex. grappes d'ordinateurs). Nous étudierons en plus des modèles récents pour les systèmes de recommandations ainsi que pour la prise de décision (apprentissage par renforcement). Les étudiants auront l'occasion de bonifier leurs connaissances en effectuant un projet requérant l'analyse de données réelles (par exemple venant de leur champ de recherche). À noter : Les étudiants devront déjà connaitre un langage de programmation.Thèmes couverts
- Calcul distribué et parallèle
- Apprentissage supervisé
- Apprentissage son¿supervisé
- Apprentissage par renforcement
- Systèmes de recommandations
- Prise de décision séquentielleVoir la page web du coursRemarques importantesCours en anglais : MATH 60629A. Préalable(s) : MATH 60600(A) et MATH 60602. Seulement pour les spécialisations autres que Sc. données et analytique d'aff. Le cours de doctorat MATH 80629 est maintenant un cours du programme de M. Sc. -
MATH 60606Fondements de l'optimisationMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Plus particulièrement, on traite de l'algorithme du simplexe, de l'analyse de sensibilité et de la dualité en programmation linéaire. En programmation linéaire en nombres entiers, on aborde les concepts de base, les relations logiques et leurs applications, en plus des algorithmes de branchements et coupes. En programmation non linéaire, on traite de la convexité, des conditions de complémentarité, ainsi que des algorithmes usuels. Enfin, les concepts essentiels des heuristiques classiques et des métaheuristiques sont présentés. Les compétences développées dans ce cours sont cruciales pour la solution de problèmes réalistes d'optimisation dans divers domaines.Thèmes couverts
Programmation linéaire
L'algorithme du simplexe
Analyse de sensibilité et dualité
Programmation linéaire en nombres entiers et ses applications
Algorithmes de branchements et coupes
Notions fondamentales et algorithmes en programmation non linéaire
Convexité conditions KKT et optimalité
Algorithmes basés sur le gradient et sur la méthode de Newton
Heuristiques et métaheuristiquesVoir la page web du coursRemarques importantesCours en anglais : MATH 60606A -
MATH 60604Modélisation statistiqueMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Ce cours aborde notamment les modèles linéaires, les modèles linéaires généralisés et la régression pour données longitudinales avec effets aléatoires et structures de corrélation. Pour chacune de ces méthodes, les principes théoriques de l'inférence, tels que les tests d'hypothèses, statistiques de tests et méthodes d'estimation sont abordés avec rigueur. Une attention particulière est portée aux applications en gestion.Thèmes couverts
Principes fondamentaux de modélisation et d'inférence statistique
Modèles linéaires
Modèles linéaires généralisés
Modèles pour données longitudinales et corrélées
Introduction à l'analyse de survieVoir la page web du coursRemarques importantesCours en anglais : MATH 60604A Cours non crédité dans la spécialisation intelligence d'affaires.
Cours mutuellement exclusif(s) : MATH 60619(A) Vous ne pouvez pas vous inscrire à ce cours si vous avez postulé ou réussi le cours MATH 60619(A), ou si le cours MATH 60619(A) fait partie de votre structure.
1 cours du programme
-
GEST 60401Regards croisés sur les grands enjeux de société et l'entrepriseMatièreGestionProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Le cours se base sur la lecture et la discussion de textes fondamentaux classiques et contemporains en sciences sociales, en particulier en économie, en sociologie, en anthropologie et en histoire. L'objectif est que les étudiants puissent développer leurs capacités à appréhender les grands enjeux sociétaux (environnementaux et sociaux) et l'entreprise dans sa globalité, et à prendre du recul par rapport aux techniques de gestion, de façon à devenir de véritables acteurs de la société et du monde des affaires, doués d'esprit critique et de sensibilité éthique, laquelle leur permettra notamment d'aborder les enjeux d'éthique des affaires et les enjeux sociétaux de façon plus lucide et éclairée. Une caractéristique importante du cours est qu'il est animé conjointement par deux enseignants - l'un du Département d'économie appliquée, l'autre du Département de management - qui offrent donc des « regards croisés » sur les grands enjeux sociétaux, l'entreprise et la gestion.Thèmes couverts
- L'émergence de la société moderne occidentale
- Le modèle de société occidentale moderne et ses implications sociales et environnementales
- Les fondements économiques et sociaux de l'entreprise
- Les ressorts individuels et collectifs de l'entreprise
- L'entreprise en perspective face aux grands défis sociaux et environnementauxVoir la page web du coursRemarques importantesCours en anglais : GEST 60401A Il est fortement recommandé de suivre ce cours en fin de programme.
Vous devez choisir 3 cours dont au moins 2 cours du bloc 2.
Bloc 1
-
MATH 60607Algorithmes pour l'optimisation et l'analyse des mégadonnéesMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Ce cours traite de l'analyse algorithmique, de la complexité de calculs et des structures de données. Afin de mieux faire face aux besoins grandissants des entreprises quand à la capacité de traitement de l'information, l'emphase sera mise sur la parallélisation. Les conditions pour le succès de la mise en oeuvre parallèle d'un programme selon divers paradigmes sera abordée. En particulier, les programmes avec mémoire partagée, avec échange d'information au sein d'un réseau local ou le calcul distribué.Thèmes couverts
1. Programmation séquentielle et analyse algorithmique.
2. Calcul parallèle avec mémoire partagée (utilisation de fils threads).
3. Calcul parallèle synchronisé sans mémoire partagée (utilisation de MPI).
4. Calcul distribué (utilisation de hadoop/spark).Voir la page web du coursRemarques importantesCours en anglais : MATH 60607A -
MATH 60615Analyse de décisionMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Les techniques sont illustrées à partir d'exemples de divers domaines de la gestion et d'études de cas. Les étudiants apprendront à analyser et modéliser les problèmes de décision. Ils se familiariseront à l'utilisation des principales techniques d'aide à la prise de décision et des logiciels spécialisés les implémentant: arbres de décision, simulation de Monte-Carlo, théorie de l'utilité, programmation par objectif, optimisation multicritères, analyse hiérarchique.Voir la page web du coursRemarques importantesCours en anglais : MATH 60615A
-
MATH 60603Apprentissage statistiqueMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Ce cours présente les méthodes de base et certaines avancées en apprentissage non-supervisé (par exemple technique de réduction de la dimensionnalité, analyse de regroupement) et supervisé (par exemple modèle paramétriques, arbres et forêts aléatoires, boosting). Des exemples d'application en gestion illustrent l'utilisation de ces méthodes.Thèmes couverts
- Bases de l'apprentissage supervisé et non supervisé.
- Réduction de la dimensionnalité (composantes principales et analyse factorielle).
- Analyse de regroupements hiérarchique et non hiérarchique.
- Bases de la modélisation prédictive : division de l'échantillon validation-croisée bootstrap.
- Modèles paramétriques pour la modélisation prédictive.
- Règles d'association (analyse du panier de la ménagère).
- Méthode de partitionnement récursif de base : CART forêt aléatoire importance des variables boosting d'arbres.
- Autres sujets : machines à vecteur de support méthodes des plus proches voisins analyse de survie de base données manquantes.Voir la page web du coursRemarques importantesCours en anglais : MATH 60603A Cours non crédité dans la spécialisation intelligence d'affaires.
Cours mutuellement exclusif(s) : MATH 60600(A) et MATH 60602 Vous ne pouvez pas vous inscrire à ce cours si vous avez postulé ou réussi un de ces cours ou si un de ces cours fait partie de votre structure: MATH 60600(A) ou MATH 60602. -
MATH 60638Méthodes de prévisionMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Les étudiants se familiariseront avec l'utilisation des principales techniques telles le lissage, la régression, les séries chronologiques et les réseaux de neurones. Les méthodes d'évaluation et de sélection de modèles, ainsi que les méthodes d'évaluation des erreurs de prévision, sont aussi au programme. Le logiciel R sera utilisé.Thèmes couverts
1. Idées de base bonnes et mauvaises pratiques évaluations des méthodes
2. Outils de base en prévision
* prévision naïves
* ACF PACF stationnarité différentiation
* opinions d'experts
3. Lissage exponentiel
* Simple Holt Holt-Winters et modèles à espace d'état
* méthode à saisonnalité double
4. Régression multiple
* test Durbin Watson
* modèles de régression linéaires avec erreurs ARMA
5. Séries chronologiques
* modèles ARIMA SARIMA et ARMAX
6. Réseaux de neurones artificiels
* structure et estimation
7. Séries chronologiques multivariées
Voir la page web du coursRemarques importantesCours en anglais : MATH 60638A -
MATH 60617Mise en oeuvre de modèles d'optimisation en gestionMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Dans ce cours, l'étudiant apprendra : 1) à reconnaître le type de modèle adapté à une situation particulière en gestion; 2) à décrire cette situation sous la forme d'un modèle mathématique approprié, 3) à implanter et résoudre ce modèle grâce à un logiciel approprié (e.g. IBM ILOG CPLEX Optimization Studio, GAMS) à valider, analyser et présenter les résultats obtenus.Thèmes couverts
1 : Introduction à la modélisation mathématique
2 : Implantation d'un modèle d'optimisation avec un logiciel approprié
3 : Modèles linéaires
4 : Modèles de réseau
5 : Modèles linéaires en nombres entiers et techniques de linéarisation
6: Applications (e.g. problèmes de localisation problèmes de distribution problèmes d'horaire etc.)
7 : Modèles d'optimisation à objectifs multiples
8 : Modèles de programmation stochastique
9 : Modèles de programmation dynamique
Voir la page web du coursRemarques importantesCours en anglais : MATH 60617A -
MATH 60612Modèles d'application de l'analytique d'affairesMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3On traite, entre autres, de problèmes d'optimisation, de décision stratégique, et de prévision dans le cadre d'une variété de domaines d'application (santé, sports, énergie, environnement, politique, transport, etc.). Pour chacun des contextes d'application, on discutera des enjeux de modélisation et d'implantation, ainsi que des méthodologies pertinentes. Les applications discutées s'appuieront sur des publications dans des revues scientifiques.Thèmes couverts
Santé (affectation horaires et localisation collecte et distribution diagnostic planification)
Sports et événements sportifs (optimisation de la performance analyse de risque fiabilité organisation d'événements calendriers routage)
Énergie (transport distribution et utilisation modèles techno-économiques globaux optimisation de problèmes de grande taille optimisation non convexe)
Environnement (optimisation multicritères et multi-objectifs analyse par enveloppement de données optimisation stochastique optimisation robuste)
Affaires publiques et défense nationale (localisation et couverture prévention et détection répartition et équité)
Aide humanitaire et gestion de crises (réseaux logistiques routage transport distribution et stockage simulation heuristiques systèmes d'aide à la décision)
Transport et distribution (tournées transport sur demande apprentissage optimisation par simulation)
Gestion des ressources humaines (horaires couverture modélisation de conventions collectives horaires rotatifs heuristiques et métaheuristiques)
Gestion académique (planification et affectation coloration des graphes heuristiques systèmes intégrés)
Gestion de la relation clients (données massives systèmes de reconnaissance segmentation gestion du revenu optimisation bi-niveaux)
Production et chaînes d'approvisionnement (problèmes de diète réseaux d'approvisionnement concurrence hiérarchie logistique inverse théorie des jeux).Voir la page web du coursRemarques importantesCours en anglais : MATH 60612A -
MATH 60623Optimisation stochastique et apprentissage par renforcementMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Le cours fournit aux personnes étudiantes un ensemble d'outils diversifiés pour aborder les problèmes de prise de décision séquentielle dans l'incertitude en utilisant l'optimisation stochastique. Ils apprennent à modéliser ces problèmes de manière efficace et à sélectionner les stratégies de solution les plus appropriées, allant des méthodes d'optimisation classiques aux techniques avancées utilisant les réseaux neuronaux et l'apprentissage par renforcement. Le cours nécessite une bonne compréhension de la pensée algorithmique et de la programmation informatique.Thèmes couverts
Optimisation stochastique avec ou sans dérivées
Processus de décision markoviens et programmation dynamique
Programmation dynamique approximative
Apprentissage par renforcement
Réseaux neuronaux et apprentissage par renforcement profond
Programmation stochastique à deux étapes / multi-étapes
Conception de politiques pour des problèmes séquentielsVoir la page web du coursRemarques importantesCours en anglais : MATH 60623A -
MATH 60621Traitement automatique du langage naturelMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Les sujets couverts incluront la structure des données textuelles et la manière dont elles peuvent être utilisées pour des tâches telles que la recherche et la classification de documents, la génération de textes et le résumé de textes. Nous couvrirons les modèles de langage statistique et ceux basés sur les réseaux neuronaux. Le cours suppose de l'expérience préalable avec le langage de programmation Python, mais aucune expérience préalable en apprentissage automatique n'est requise.Thèmes couverts
La nature des données textuelles
Le prétraitement du texte : tokenisation et lemmatisation
Les modèles sac-de-mots les modèles thématiques et la classification naïve
Les modèles de langage N-grams (modèles de Markov)
Les modèles de Markov cachés et l'étiquetage grammatical
Les représentations distribuées et la sémantique vectorielle
Les modèles de langage neuronaux récurrents les LSTMs et la génération de texte
Les modèles de langage Transformers et la modélisation du langage masqué
Les modèles encodeurs et la recherche sémantique
Les modèles encodeurs-décodeurs le résumé de texte et la traductionVoir la page web du coursRemarques importantesCours en anglais : MATH 60621A
Bloc 2
-
MATH 80648Apprentissage automatique II : Apprentissage profondMatièreMathématiquesProgrammeDoctoratLieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Ce cours a pour objectif de présenter les techniques de base de l'apprentissage profond, notamment les réseaux de neurones, les réseaux de neurones à convolution et les réseaux de neurones récurrents. Nous couvrirons également les progrès récents sur les modèles génératifs profonds. Enfin, nous expliquerons comment appliquer ces techniques à la compréhension du langage et à l'analyse de graphes.Thèmes couverts
Notions de base sur l'apprentissage automatique
Réseaux de neurones Feedforward et astuces d'optimisation
Réseaux de neurones convolutifs
Réseaux de neurones récurrents
Apprendre en profondeur pour comprendre le langage naturel
Apprendre en profondeur pour analyser des graphiques / réseaux
Modèles génératifs profondsVoir la page web du coursRemarques importantesCours en anglais : MATH 80648A Cours équivalent(s) : MATH 60630(A) ou MATH 80600(A)
Préalable(s) : MATH 60600(A) ou MATH 60629(A) ou MATH 80629(A) ou être admis au Doctorat (Ph. D.). -
MATH 80627AComplex Networks AnalysisMatièreMathématiquesProgrammeDoctoratLieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Would it be from social networks (Facebook, Twitter for instance), or from their own data (such as email exchanges), organizations have access to important amounts of data. This data may be of specific nature, namely, instead of a description of each observation by characteristics, relations between observations may be known. Studying these relations involves specific techniques. The nature of the data «relations between objects » makes sampling a difficult task. For that reason, it is usually better to work on the whole dataset, which is challenging from the algorithmic point of view.Voir la page web du coursThèmes couverts
Centrality analysis
Community detection
Network embeddings
Network descriptors
Distances in networks -
MATH 80680ADynamic Optimisation in ManagementMatièreMathématiquesProgrammeDoctoratLieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Voir la page web du coursAt the end of the course, the students should be able to identify a business management situation presenting a dynamic optimization problem, represent this problem using a suitable mathematical model, and solve it using one of the available techniques of dynamic optimization.
-
MATH 80685AGame TheoryMatièreMathématiquesProgrammeDoctoratMode d'enseignementPrésentielCrédits3The course covers static noncooperative and cooperative games, bargaining procedures, repeated games, differential games, and games played over event trees. The elements of each class of games are defined rigorously, the main issues are discussed, the solution concepts are introduced, and their computation challenges are highlighted. Examples from different areas of management science are provided to illustrate the concepts and see the limits of the models considered.Voir la page web du coursThèmes couverts
Noncooperative games
Cooperative games
Repeated games
Bargaining procedures
Optimal control and dynamic programming (a brief introduction)
Differential games
Dynamic games played over event trees. -
MATH 70630IA responsableMatièreMathématiquesProgrammeDoctoratLieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3L'intelligence artificielle responsable (IAR) vise à garantir que la responsabilité socio-environnementale est une considération fondamentale à toutes les étapes du développement et de la gouvernance de l'IA. Ceci est nécessaire pour prévenir les préjudices et injustices, en orientant le développement de l'IA vers des avantages durables dans un monde interconnecté. L'IAR nécessite une synthèse réfléchie et pragmatique d'approches de différents domaines. L'objectif du cours est de fournir les outils qualitatifs, quantitatifs, critiques, réflexifs et pratiques pour combler le fossé entre théorie et pratique et rendre l'IA responsable une réalité. Le cours couvre des sujets tels que l'analyse des utilisateurs, la conception participative, les tests de signification, la généralisation, les essais de contrôle, les biais, l'interprétabilité, l'équité, la transparence, l'éthique, la robustesse, les consultations avec les parties prenantes, la gouvernance des données, le travail numérique, l'examen par les pairs, l'ingénierie de la fiabilité, la sécurité de l'information, la confidentialité, la vérification, l'audit, la reproductibilité, les tests et bacs à sable, la planification par scénarios, l'analyse des risques et l'analyse d'impactThèmes couverts
Concepts fondamentaux théories et pratiques du développement responsable de l'IA
Bases de l'apprentissage automatique nettoyage et visualisation des données généralisation test d'hypothèses signification statistique causalité
Équité responsabilisation transparence
Éthique sécurité et alignement robustesse agence
Analyse des risques et analyse d'impact ingénierie de la fiabilité durabilité
Gouvernance pouvoir justice travail numérique
Examen par les pairs et processus scientifique
Conception de l'expérience utilisateur informatique centrée sur l'humain
Open-source confidentialité sécurité de l'informationVoir la page web du coursRemarques importantesCours en anglais : MATH 70630A Cours équivalent(s) : MATH 80630A Préalable(s) : MATH 60600(A), MATH 60603(A), MATH 60629(A) -
MATH 80655ALarge-Scale Optimization Models and ApplicationsMatièreMathématiquesProgrammeDoctoratLieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Advanced modeling approaches are studied, including non-compact models with exponentially many constraints or variables, two-stage models, and bilevel models. Various solution techniques are explored, such as branch-and-bound, cutting-plane methods, branch-and-cut, column generation, and Benders decomposition. Applications span fields such as distribution management, transportation, network design, routing, logistics, production planning, energy systems, telecommunications, disaster management, last-mile delivery, and healthcare logistics. The course incorporates contemporary topics from recent scientific publications. It also includes hands-on implementation of these models, and a course research project.Voir la page web du coursThèmes couverts
Introduction to modeling with integer variables; well-solved problems
Optimality relaxation bounds complexity and problem reductions
Branch-and-bound and branch-and-cut (with application to e.g. traveling salesman problems)
Column generation (with application to e.g. vehicle routing problems)
Branch-and-price (with application to e.g. location and routing problems)
Two-stage models and Benders decomposition (with application to e.g. facility location)
Linearization of bilevel models (with application to e.g. network design) -
MATH 70611Méthodes avancées en exploitation de donnéesMatièreMathématiquesProgrammeDoctoratLieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Les concepts théoriques et les idées à la base de ces méthodes seront discutés en détail. L'utilisation pratique de ces méthodes sera aussi traitée en utilisant des exemples provenant de plusieurs domaines de la gestion. À cette fin, le langage R sera l'outil de choix, car la plupart des méthodes récentes font leur apparition sous la forme de package R.Thèmes couverts
Régularisation et sélection variable dans les modèles de régression.
Méthodes avancées basées sur les arbres et boosting.
Intervalles de prédiction.
Analyse de données fonctionnelles.
Analyse de données spatiales.Voir la page web du coursRemarques importantesCours en anglais : MATH 70611A Cours équivalent(s) : MATH 60611(A) ou MATH 80619(A) -
MATH 80601Modélisation bayésienneMatièreMathématiquesProgrammeDoctoratMode d'enseignementPrésentielCrédits3Rappels mathématiques. Utilisation d'algorithmes d'échantillonnage et méthodes de Monte Carlo par chaînes de Markov, à l'aide de logiciels adéquats (par ex., OpenBugs, Stan, INLA). Méthodes d'approximations. Modèles hiérarchiques, en particulier les modèles latents gaussiens.Thèmes couverts
Introduction au paradigme bayésien
Formulation comparaison et évaluation de modèles bayésiens
Algorithmes d'échantillonnage et méthodes de Monte Carlo par chaînes de Markov
Stratégies computationnelles pour l'inférence
Modèles multi-niveaux
Sujets avancésVoir la page web du coursRemarques importantesCours en anglais : MATH 80601A -
MATH 80624AQuantitative Risk Management Using Robust OptimizationMatièreMathématiquesProgrammeDoctoratLieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3More specifically, students will become familiar with the main tools that are used in the application of the robust optimization paradigm: convex theory, data-driven uncertainty sets design, adjustable decision rules, tractable reformulation, and decomposition algorithms for problems of infinite size. The course will also cover a set of practical applications where the use of such tools is called-for. Applications will be inspired from a diversified range of fields of practice.Voir la page web du coursThèmes couverts
1) Why is there a recent surge of interest in robust optimization?
2) Robust counterpart of Linear Programs
3) Data-driven Uncertainty Set Design
4) Robust Nonlinear Programming
5) Adjustable Robust Linear Programming
6) Value of Flexibility Using Tractable Decision Rules
7) Globalized Robust Counterparts
8) Distributionally Robust Optimization
9) Robust Markov Decision Processes
10) Robust Preference Optimization
11) Pareto Robust Optimization
12) A Survey of Recent Applications
-
MATH 80618ASample Efficient OptimizationMatièreMathématiquesProgrammeDoctoratLieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3This course presents methods that combine domain knowledge from management, science or engineering within classical ML and OR techniques to yield practice-relevant optimization tools. Topics include Gaussian process modeling, Bayesian optimization, dimensionality reduction, variance reduction, continuous and/or discrete simulation-based optimization, physics-informed optimization, surrogate modeling. Concepts are illustrated using practical applications. The course presents established and emerging research through lectures and paper discussions. It includes guest research lecturers from major technology companies and / or top academic institutions worldwide.Voir la page web du coursThèmes couverts
Gaussian processes
Bayesian optimization
Dimensionality reduction
Variance reduction
Continuous simulation-based optimization
Discrete simulation-based optimization
Surrogate modeling -
MATH 80621ASurvival and Longitudinal Data AnalysisMatièreMathématiquesProgrammeDoctoratLieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3The main characteristic of survival analysis and longitudinal studies is that subjects are followed over time, thereby allowing to study the evolution of some phenomenon of interest. This course will focus on the fundamental concepts for analyzing survival and correlated data and present statistical methods that account for the temporal dynamics, correlation and partial information they present. Throughout the course, methods will be illustrated using concrete examples drawn from several areas of management. Practical considerations will be emphasized so that the student can carry out a thorough analysis of survival and correlated data by the end of the course.Voir la page web du coursThèmes couverts
1. Non-parametric survival analysis
2. Parametric models for survival analysis
3. Cox proportional hazards model and extensions
4. Recurrent events and correlated survival times
5. Linear models for longitudinal data: covariance structure and random effects
6. Generalized linear models for longitudinal data: covariance structure and random effects
7. Missing data -
MATH 80617ATopics in Pricing ModelsMatièreMathématiquesProgrammeDoctoratLieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Voir la page web du coursThèmes couverts
- The economics and marketing of pricing
- Pricing strategically in (imperfectly) competitve markets while anticipating other firms' responses
- Assessing the impact of price on demand (and other variables e.g. perception and buying intention) using easy-to-implement statistical models.
- Multi-attribute models and conjoint analysis and their use in measuring consumer's perception of price
- Adapting prices to diffusion effects (e.g. social imitation and word-of-mouth effects)
- Pricing perishable products and services
2 activités obligatoires et le mémoire
Avant de faire le mémoire de 24 crédits, vous devez réussir les 2 activités non créditées.
-
RECH 66248Atelier de rechercheMatièreRecherche, thèse, mémoireProgrammeMaîtrise en gestion (M. Sc.)LieuAutreMode d'enseignementÀ distance asynchroneCrédits0Il est nécessaire d'avoir identifié le sujet ainsi que la ou les personnes qui encadreront le mémoire avant de s'inscrire à cet atelier. Avant d'enregistrer le sujet de mémoire et de soumettre le plan d'études, il est essentiel de discuter et de faire valider leur contenu avec la personne ou les personnes encadrant le projet de recherche. Le résultat de cet atelier de recherche (exigence satisfaite) ne compte pas dans votre moyenne.Voir la page web du coursRemarques importantesCours en anglais : RECH 66248A L'atelier de recherche doit avoir été réussi avant d'avoir complété 21 crédits du programme et avant de réaliser la collecte de données du mémoire.
Préalable(s) : ETHI 60113(A) (Co) ou ETHI 66201(A) (Co) -
ETHI 66201La conduite responsable de la recherche : Des normes à la pratiqueMatièreÉthique et gouvernanceProgrammeMaîtrise en gestion (M. Sc.)LieuAutreMode d'enseignementÀ distance asynchroneCrédits0Tout au long de ce cours, les étudiant.e.s se familiariseront avec ce qui constitue une recherche conduite de façon éthique et responsable, seront capables d'identifier et d'évaluer les problèmes et inconduites potentielles, pourront reconnaître les responsabilités individuelles et institutionnelles et pourront finalement mobiliser les mécanismes de résolution appropriés. Le cours leur permettra d'identifier les situations problématiques dans la recherche et de déployer des analyses et/ou des procédures appropriées pour les prévenir ou les gérer.Thèmes couverts
La conduite responsable de la recherche (CRR) : historique et définitions
Les valeurs sous-jacentes à la conduite responsable de la recherche
L'encadrement de la conduite responsable de la recherche
Les enjeux de conduite responsable de la recherche liés aux contextes domaines ou méthodes de recherche
L'éthique de la recherche
La bonne gestion des données de recherche
Les conflits d'intérêt en recherche
Les enjeux de pouvoir en recherche
La diffusion des résultats de recherche : bonnes pratiques et enjeux
Les impacts sociétaux de la recherche
Les inconduites en rechercheVoir la page web du coursRemarques importantesCours en anglais : ETHI 66201A Toutes les informations relatives à ce cours seront présentées dans ZoneCours. Une séance d'information à distance synchrone est organisée à chaque début de trimestre pour les personnes inscrites. Pour en savoir plus, consultez la page projet supervisé.
Cet atelier est ouvert aux étudiants du cheminement Mémoire. Si vous êtes au cheminement Projet supervisé, vous devez suivre l'atelier ETHI 66200(A). -
RECH 66218MémoireMatièreRecherche, thèse, mémoireProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesAutreMode d'enseignementPrésentielCrédits24Ce projet contribue à 24 crédits du programme.Voir la page web du coursRemarques importantesCours en anglais : RECH 66218A Pour plus d'information, veuillez consulter la page www.hec.ca/etudiants/mon-programme/maitrises/memoire
Projet supervisé
Projet supervisé
- 12 cours (36 crédits)
- Activité obligatoire non créditée
- Projet supervisé (9 crédits)
6 cours de spécialisation
-
MATH 60629Apprentissage automatique I : analyse des mégadonnées et prise de décisionMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3L'avènement des données massives requiert des outils d'analyses appropriés. L'apprentissage automatique (machine learning) offre ces outils et est incontournable pour modéliser des problèmes dans divers domaines tels que l'intelligence artificielle, la bio¿informatique, la finance, le marketing, l'éducation, le transport et la santé. Nous étudierons les modèles d'apprentissage automatique pour l'apprentissage supervisé, non supervisé et comment ils peuvent être étendus aux données massives à l'aide de techniques de calcul à grande échelle (p. ex. grappes d'ordinateurs). Nous étudierons en plus des modèles récents pour les systèmes de recommandations ainsi que pour la prise de décision (apprentissage par renforcement). Les étudiants auront l'occasion de bonifier leurs connaissances en effectuant un projet requérant l'analyse de données réelles (par exemple venant de leur champ de recherche). À noter : Les étudiants devront déjà connaitre un langage de programmation.Thèmes couverts
- Calcul distribué et parallèle
- Apprentissage supervisé
- Apprentissage son¿supervisé
- Apprentissage par renforcement
- Systèmes de recommandations
- Prise de décision séquentielleVoir la page web du coursRemarques importantesCours en anglais : MATH 60629A. Préalable(s) : MATH 60600(A) et MATH 60602. Seulement pour les spécialisations autres que Sc. données et analytique d'aff. Le cours de doctorat MATH 80629 est maintenant un cours du programme de M. Sc. -
MATH 60603Apprentissage statistiqueMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Ce cours présente les méthodes de base et certaines avancées en apprentissage non-supervisé (par exemple technique de réduction de la dimensionnalité, analyse de regroupement) et supervisé (par exemple modèle paramétriques, arbres et forêts aléatoires, boosting). Des exemples d'application en gestion illustrent l'utilisation de ces méthodes.Thèmes couverts
- Bases de l'apprentissage supervisé et non supervisé.
- Réduction de la dimensionnalité (composantes principales et analyse factorielle).
- Analyse de regroupements hiérarchique et non hiérarchique.
- Bases de la modélisation prédictive : division de l'échantillon validation-croisée bootstrap.
- Modèles paramétriques pour la modélisation prédictive.
- Règles d'association (analyse du panier de la ménagère).
- Méthode de partitionnement récursif de base : CART forêt aléatoire importance des variables boosting d'arbres.
- Autres sujets : machines à vecteur de support méthodes des plus proches voisins analyse de survie de base données manquantes.Voir la page web du coursRemarques importantesCours en anglais : MATH 60603A Cours non crédité dans la spécialisation intelligence d'affaires.
Cours mutuellement exclusif(s) : MATH 60600(A) et MATH 60602 Vous ne pouvez pas vous inscrire à ce cours si vous avez postulé ou réussi un de ces cours ou si un de ces cours fait partie de votre structure: MATH 60600(A) ou MATH 60602. -
MATH 60606Fondements de l'optimisationMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Plus particulièrement, on traite de l'algorithme du simplexe, de l'analyse de sensibilité et de la dualité en programmation linéaire. En programmation linéaire en nombres entiers, on aborde les concepts de base, les relations logiques et leurs applications, en plus des algorithmes de branchements et coupes. En programmation non linéaire, on traite de la convexité, des conditions de complémentarité, ainsi que des algorithmes usuels. Enfin, les concepts essentiels des heuristiques classiques et des métaheuristiques sont présentés. Les compétences développées dans ce cours sont cruciales pour la solution de problèmes réalistes d'optimisation dans divers domaines.Thèmes couverts
Programmation linéaire
L'algorithme du simplexe
Analyse de sensibilité et dualité
Programmation linéaire en nombres entiers et ses applications
Algorithmes de branchements et coupes
Notions fondamentales et algorithmes en programmation non linéaire
Convexité conditions KKT et optimalité
Algorithmes basés sur le gradient et sur la méthode de Newton
Heuristiques et métaheuristiquesVoir la page web du coursRemarques importantesCours en anglais : MATH 60606A -
MATH 60617Mise en oeuvre de modèles d'optimisation en gestionMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Dans ce cours, l'étudiant apprendra : 1) à reconnaître le type de modèle adapté à une situation particulière en gestion; 2) à décrire cette situation sous la forme d'un modèle mathématique approprié, 3) à implanter et résoudre ce modèle grâce à un logiciel approprié (e.g. IBM ILOG CPLEX Optimization Studio, GAMS) à valider, analyser et présenter les résultats obtenus.Thèmes couverts
1 : Introduction à la modélisation mathématique
2 : Implantation d'un modèle d'optimisation avec un logiciel approprié
3 : Modèles linéaires
4 : Modèles de réseau
5 : Modèles linéaires en nombres entiers et techniques de linéarisation
6: Applications (e.g. problèmes de localisation problèmes de distribution problèmes d'horaire etc.)
7 : Modèles d'optimisation à objectifs multiples
8 : Modèles de programmation stochastique
9 : Modèles de programmation dynamique
Voir la page web du coursRemarques importantesCours en anglais : MATH 60617A -
MATH 60604Modélisation statistiqueMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Ce cours aborde notamment les modèles linéaires, les modèles linéaires généralisés et la régression pour données longitudinales avec effets aléatoires et structures de corrélation. Pour chacune de ces méthodes, les principes théoriques de l'inférence, tels que les tests d'hypothèses, statistiques de tests et méthodes d'estimation sont abordés avec rigueur. Une attention particulière est portée aux applications en gestion.Thèmes couverts
Principes fondamentaux de modélisation et d'inférence statistique
Modèles linéaires
Modèles linéaires généralisés
Modèles pour données longitudinales et corrélées
Introduction à l'analyse de survieVoir la page web du coursRemarques importantesCours en anglais : MATH 60604A Cours non crédité dans la spécialisation intelligence d'affaires.
Cours mutuellement exclusif(s) : MATH 60619(A) Vous ne pouvez pas vous inscrire à ce cours si vous avez postulé ou réussi le cours MATH 60619(A), ou si le cours MATH 60619(A) fait partie de votre structure. -
MATH 60621Traitement automatique du langage naturelMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Les sujets couverts incluront la structure des données textuelles et la manière dont elles peuvent être utilisées pour des tâches telles que la recherche et la classification de documents, la génération de textes et le résumé de textes. Nous couvrirons les modèles de langage statistique et ceux basés sur les réseaux neuronaux. Le cours suppose de l'expérience préalable avec le langage de programmation Python, mais aucune expérience préalable en apprentissage automatique n'est requise.Thèmes couverts
La nature des données textuelles
Le prétraitement du texte : tokenisation et lemmatisation
Les modèles sac-de-mots les modèles thématiques et la classification naïve
Les modèles de langage N-grams (modèles de Markov)
Les modèles de Markov cachés et l'étiquetage grammatical
Les représentations distribuées et la sémantique vectorielle
Les modèles de langage neuronaux récurrents les LSTMs et la génération de texte
Les modèles de langage Transformers et la modélisation du langage masqué
Les modèles encodeurs et la recherche sémantique
Les modèles encodeurs-décodeurs le résumé de texte et la traductionVoir la page web du coursRemarques importantesCours en anglais : MATH 60621A
1 cours du programme
-
GEST 60401Regards croisés sur les grands enjeux de société et l'entrepriseMatièreGestionProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Le cours se base sur la lecture et la discussion de textes fondamentaux classiques et contemporains en sciences sociales, en particulier en économie, en sociologie, en anthropologie et en histoire. L'objectif est que les étudiants puissent développer leurs capacités à appréhender les grands enjeux sociétaux (environnementaux et sociaux) et l'entreprise dans sa globalité, et à prendre du recul par rapport aux techniques de gestion, de façon à devenir de véritables acteurs de la société et du monde des affaires, doués d'esprit critique et de sensibilité éthique, laquelle leur permettra notamment d'aborder les enjeux d'éthique des affaires et les enjeux sociétaux de façon plus lucide et éclairée. Une caractéristique importante du cours est qu'il est animé conjointement par deux enseignants - l'un du Département d'économie appliquée, l'autre du Département de management - qui offrent donc des « regards croisés » sur les grands enjeux sociétaux, l'entreprise et la gestion.Thèmes couverts
- L'émergence de la société moderne occidentale
- Le modèle de société occidentale moderne et ses implications sociales et environnementales
- Les fondements économiques et sociaux de l'entreprise
- Les ressorts individuels et collectifs de l'entreprise
- L'entreprise en perspective face aux grands défis sociaux et environnementauxVoir la page web du coursRemarques importantesCours en anglais : GEST 60401A Il est fortement recommandé de suivre ce cours en fin de programme.
- Soit 5 cours à option
- Soit 4 cours à option et 1 cours au choix
Cours à option
-
MATH 60607Algorithmes pour l'optimisation et l'analyse des mégadonnéesMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Ce cours traite de l'analyse algorithmique, de la complexité de calculs et des structures de données. Afin de mieux faire face aux besoins grandissants des entreprises quand à la capacité de traitement de l'information, l'emphase sera mise sur la parallélisation. Les conditions pour le succès de la mise en oeuvre parallèle d'un programme selon divers paradigmes sera abordée. En particulier, les programmes avec mémoire partagée, avec échange d'information au sein d'un réseau local ou le calcul distribué.Thèmes couverts
1. Programmation séquentielle et analyse algorithmique.
2. Calcul parallèle avec mémoire partagée (utilisation de fils threads).
3. Calcul parallèle synchronisé sans mémoire partagée (utilisation de MPI).
4. Calcul distribué (utilisation de hadoop/spark).Voir la page web du coursRemarques importantesCours en anglais : MATH 60607A -
MATH 60615Analyse de décisionMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Les techniques sont illustrées à partir d'exemples de divers domaines de la gestion et d'études de cas. Les étudiants apprendront à analyser et modéliser les problèmes de décision. Ils se familiariseront à l'utilisation des principales techniques d'aide à la prise de décision et des logiciels spécialisés les implémentant: arbres de décision, simulation de Monte-Carlo, théorie de l'utilité, programmation par objectif, optimisation multicritères, analyse hiérarchique.Voir la page web du coursRemarques importantesCours en anglais : MATH 60615A
-
MATH 80648Apprentissage automatique II : Apprentissage profondMatièreMathématiquesProgrammeDoctoratLieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Ce cours a pour objectif de présenter les techniques de base de l'apprentissage profond, notamment les réseaux de neurones, les réseaux de neurones à convolution et les réseaux de neurones récurrents. Nous couvrirons également les progrès récents sur les modèles génératifs profonds. Enfin, nous expliquerons comment appliquer ces techniques à la compréhension du langage et à l'analyse de graphes.Thèmes couverts
Notions de base sur l'apprentissage automatique
Réseaux de neurones Feedforward et astuces d'optimisation
Réseaux de neurones convolutifs
Réseaux de neurones récurrents
Apprendre en profondeur pour comprendre le langage naturel
Apprendre en profondeur pour analyser des graphiques / réseaux
Modèles génératifs profondsVoir la page web du coursRemarques importantesCours en anglais : MATH 80648A Cours équivalent(s) : MATH 60630(A) ou MATH 80600(A)
Préalable(s) : MATH 60600(A) ou MATH 60629(A) ou MATH 80629(A) ou être admis au Doctorat (Ph. D.). -
MATH 70630IA responsableMatièreMathématiquesProgrammeDoctoratLieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3L'intelligence artificielle responsable (IAR) vise à garantir que la responsabilité socio-environnementale est une considération fondamentale à toutes les étapes du développement et de la gouvernance de l'IA. Ceci est nécessaire pour prévenir les préjudices et injustices, en orientant le développement de l'IA vers des avantages durables dans un monde interconnecté. L'IAR nécessite une synthèse réfléchie et pragmatique d'approches de différents domaines. L'objectif du cours est de fournir les outils qualitatifs, quantitatifs, critiques, réflexifs et pratiques pour combler le fossé entre théorie et pratique et rendre l'IA responsable une réalité. Le cours couvre des sujets tels que l'analyse des utilisateurs, la conception participative, les tests de signification, la généralisation, les essais de contrôle, les biais, l'interprétabilité, l'équité, la transparence, l'éthique, la robustesse, les consultations avec les parties prenantes, la gouvernance des données, le travail numérique, l'examen par les pairs, l'ingénierie de la fiabilité, la sécurité de l'information, la confidentialité, la vérification, l'audit, la reproductibilité, les tests et bacs à sable, la planification par scénarios, l'analyse des risques et l'analyse d'impactThèmes couverts
Concepts fondamentaux théories et pratiques du développement responsable de l'IA
Bases de l'apprentissage automatique nettoyage et visualisation des données généralisation test d'hypothèses signification statistique causalité
Équité responsabilisation transparence
Éthique sécurité et alignement robustesse agence
Analyse des risques et analyse d'impact ingénierie de la fiabilité durabilité
Gouvernance pouvoir justice travail numérique
Examen par les pairs et processus scientifique
Conception de l'expérience utilisateur informatique centrée sur l'humain
Open-source confidentialité sécurité de l'informationVoir la page web du coursRemarques importantesCours en anglais : MATH 70630A Cours équivalent(s) : MATH 80630A Préalable(s) : MATH 60600(A), MATH 60603(A), MATH 60629(A) -
MATH 70611Méthodes avancées en exploitation de donnéesMatièreMathématiquesProgrammeDoctoratLieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Les concepts théoriques et les idées à la base de ces méthodes seront discutés en détail. L'utilisation pratique de ces méthodes sera aussi traitée en utilisant des exemples provenant de plusieurs domaines de la gestion. À cette fin, le langage R sera l'outil de choix, car la plupart des méthodes récentes font leur apparition sous la forme de package R.Thèmes couverts
Régularisation et sélection variable dans les modèles de régression.
Méthodes avancées basées sur les arbres et boosting.
Intervalles de prédiction.
Analyse de données fonctionnelles.
Analyse de données spatiales.Voir la page web du coursRemarques importantesCours en anglais : MATH 70611A Cours équivalent(s) : MATH 60611(A) ou MATH 80619(A) -
MATH 60638Méthodes de prévisionMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Les étudiants se familiariseront avec l'utilisation des principales techniques telles le lissage, la régression, les séries chronologiques et les réseaux de neurones. Les méthodes d'évaluation et de sélection de modèles, ainsi que les méthodes d'évaluation des erreurs de prévision, sont aussi au programme. Le logiciel R sera utilisé.Thèmes couverts
1. Idées de base bonnes et mauvaises pratiques évaluations des méthodes
2. Outils de base en prévision
* prévision naïves
* ACF PACF stationnarité différentiation
* opinions d'experts
3. Lissage exponentiel
* Simple Holt Holt-Winters et modèles à espace d'état
* méthode à saisonnalité double
4. Régression multiple
* test Durbin Watson
* modèles de régression linéaires avec erreurs ARMA
5. Séries chronologiques
* modèles ARIMA SARIMA et ARMAX
6. Réseaux de neurones artificiels
* structure et estimation
7. Séries chronologiques multivariées
Voir la page web du coursRemarques importantesCours en anglais : MATH 60638A -
MATH 60612Modèles d'application de l'analytique d'affairesMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3On traite, entre autres, de problèmes d'optimisation, de décision stratégique, et de prévision dans le cadre d'une variété de domaines d'application (santé, sports, énergie, environnement, politique, transport, etc.). Pour chacun des contextes d'application, on discutera des enjeux de modélisation et d'implantation, ainsi que des méthodologies pertinentes. Les applications discutées s'appuieront sur des publications dans des revues scientifiques.Thèmes couverts
Santé (affectation horaires et localisation collecte et distribution diagnostic planification)
Sports et événements sportifs (optimisation de la performance analyse de risque fiabilité organisation d'événements calendriers routage)
Énergie (transport distribution et utilisation modèles techno-économiques globaux optimisation de problèmes de grande taille optimisation non convexe)
Environnement (optimisation multicritères et multi-objectifs analyse par enveloppement de données optimisation stochastique optimisation robuste)
Affaires publiques et défense nationale (localisation et couverture prévention et détection répartition et équité)
Aide humanitaire et gestion de crises (réseaux logistiques routage transport distribution et stockage simulation heuristiques systèmes d'aide à la décision)
Transport et distribution (tournées transport sur demande apprentissage optimisation par simulation)
Gestion des ressources humaines (horaires couverture modélisation de conventions collectives horaires rotatifs heuristiques et métaheuristiques)
Gestion académique (planification et affectation coloration des graphes heuristiques systèmes intégrés)
Gestion de la relation clients (données massives systèmes de reconnaissance segmentation gestion du revenu optimisation bi-niveaux)
Production et chaînes d'approvisionnement (problèmes de diète réseaux d'approvisionnement concurrence hiérarchie logistique inverse théorie des jeux).Voir la page web du coursRemarques importantesCours en anglais : MATH 60612A -
MATH 60623Optimisation stochastique et apprentissage par renforcementMatièreMathématiquesProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesMode d'enseignementPrésentielCrédits3Le cours fournit aux personnes étudiantes un ensemble d'outils diversifiés pour aborder les problèmes de prise de décision séquentielle dans l'incertitude en utilisant l'optimisation stochastique. Ils apprennent à modéliser ces problèmes de manière efficace et à sélectionner les stratégies de solution les plus appropriées, allant des méthodes d'optimisation classiques aux techniques avancées utilisant les réseaux neuronaux et l'apprentissage par renforcement. Le cours nécessite une bonne compréhension de la pensée algorithmique et de la programmation informatique.Thèmes couverts
Optimisation stochastique avec ou sans dérivées
Processus de décision markoviens et programmation dynamique
Programmation dynamique approximative
Apprentissage par renforcement
Réseaux neuronaux et apprentissage par renforcement profond
Programmation stochastique à deux étapes / multi-étapes
Conception de politiques pour des problèmes séquentielsVoir la page web du coursRemarques importantesCours en anglais : MATH 60623A
Cours au choix
- Campus international
- Cours de 2e cycle à HEC Montréal ou dans une autre université
Tout cours dans une autre université doit être approuvé au préalable par la ou le responsable de spécialisation.
1 activité obligatoire et le projet supervisé
Avant de faire le projet supervisé de 9 crédits, vous devez réussir l'activité non créditée.
-
ETHI 66200La conduite responsable de la recherche : Des normes à la pratiqueMatièreÉthique et gouvernanceProgrammeMaîtrise en gestion (M. Sc.)LieuAutreMode d'enseignementÀ distance asynchroneCrédits0Tout au long de ce cours, les étudiant.e.s se familiariseront avec ce qui constitue une recherche conduite de façon éthique et responsable, seront capables d'identifier et d'évaluer les problèmes et inconduites potentielles, pourront reconnaître les responsabilités individuelles et institutionnelles et pourront finalement mobiliser les mécanismes de résolution appropriés. Le cours leur permettra d'identifier les situations problématiques dans la recherche et de déployer des analyses et/ou des procédures appropriées pour les prévenir ou les gérer.Thèmes couverts
La conduite responsable de la recherche (CRR) : historique et définitions
Les valeurs sous-jacentes à la conduite responsable de la recherche
L'encadrement de la conduite responsable de la recherche
Les enjeux de conduite responsable de la recherche liés aux contextes domaines ou méthodes de recherche
L'éthique de la recherche
La bonne gestion des données de recherche
Les conflits d'intérêt en recherche
Les enjeux de pouvoir en recherche
La diffusion des résultats de recherche : bonnes pratiques et enjeux
Les impacts sociétaux de la recherche
Les inconduites en rechercheVoir la page web du coursRemarques importantesCours en anglais : ETHI 66200A Toutes les informations relatives à ce cours seront présentées dans ZoneCours. Une séance d'information à distance synchrone est organisée à chaque début de trimestre pour les personnes inscrites. Pour en savoir plus, consultez la page projet supervisé
Cet atelier est ouvert aux étudiants du cheminement Projet supervisé. Si vous êtes au cheminement Mémoire, vous devez suivre l'atelier ETHI 66201(A). -
INDV 66202Projet superviséMatièreProjet individuelProgrammeMaîtrise en gestion (M. Sc.)LieuCôte-des-NeigesAutreMode d'enseignementHybride synchronePrésentielCrédits9Il s'agit donc d'une occasion pour l'étudiant.e de démontrer sa maîtrise des connaissances acquises durant le programme de M. Sc. et sa capacité à les mobiliser par l'entremise d'une démarche scientifique. Le projet supervisé peut être réalisé dans deux contextes : organisationnel (mandat d'intervention dans une organisation) ou universitaire (mandat à l'université). Les modalités de réalisation du projet supervisé dans chacun de ceux-ci sont détaillées dans le guide « Le projet supervisé à la M.Sc.: Nature et exigences ».Thèmes couverts
Projet supervisé sous l'une des formes ci-dessous :
- Mandat d'intervention dans une organisation (- Réalisation d'un diagnostic ; - Participation à la planification et à l'implantation de pratiques de gestion ; - Conception d'outils et de modèles pouvant servir de base à la prise de décision ; - Analyse de performance des activités d'une organisation ; - Formulation de recommandations relatives à une problématique).
- Mandat à l'université (1) Étude d'un cas ; 2) Mandat spécifique de recherche ; 3) Avis d'expert ; 4) Projet entrepreneurial).
Voir la page web du coursRemarques importantesLe projet supervisé est d'une durée maximale de 6 mois, incluant la rédaction. Pour vous inscrire, consulter la page projet supervisé.
Préalable(s) : ETHI 66200(A) (Co)
Dates limites de dépôt des demandes d’admission
- Trimestre d’automne : au plus tard le 1er mars
- Trimestre d’hiver : au plus tard le 15 septembre
- Trimestre d’été : aucune admission
Candidates et candidats de l'international
Privilégiez une demande d’admission au trimestre d’automne afin d’avoir plus de temps pour obtenir les documents d’immigration (minimum 2 mois). Notez toutefois qu’il est possible de reporter votre admission gratuitement au trimestre suivant si les délais s’allongent.
Conditions et pièces requises
Sélectionnez le système dans lequel vous avez fait vos études universitaires ou l'option de passerelle si vous avez commencé ou complété le D.E.S.S. de HEC Montréal apparenté à la maîtrise.
Québécois ou canadien
Système québécois ou canadien
Diplôme requis
Vous devez être titulaire d’un grade de 1er cycle d’au moins 90 crédits (baccalauréat) en administration des affaires ou dans un domaine connexe, ou d’un diplôme jugé équivalent par la direction du programme.
Les domaines d'études suivants sont priorisés : génie, informatique, mathématiques, actuariat, statistiques, finance et sciences quantitatives.
Moyenne minimale
Vous devez avoir obtenu une moyenne cumulative minimale de 3,0 sur 4,3 au baccalauréat. Si l’université où vous avez complété votre baccalauréat exige une moyenne plus élevée pour l’admission à un programme de 2e cycle, c’est cette moyenne qui doit être prise en compte.
Français
Vous avez le niveau requis en français si vous répondez à l’un des critères qui attestent que vous êtes francophone en raison de votre scolarité.
Autrement, vous devez réussir l’un des tests ou programmes de français avec le niveau intermédiaire-avancé.
Anglais
Bon nombre de lectures et de documents de référence sont en anglais. Il est donc fortement recommandé de maîtriser cette langue.
Pièces requises pour l'admission
Vous aurez des documents à fournir dans le cadre du processus d'admission.
La capacité d’accueil de certains programmes est limitée. HEC Montréal ne s'engage pas à accepter toutes les candidatures admissibles.
Français
Système français
Diplôme requis
Vous devez posséder au minimum un diplôme de licence générale ou de bachelor visé par l'État après au moins 3 années d’études universitaires (180 ECTS) en gestion ou dans un domaine connexe.
Non admissibles :
- Titre certifié au RNCP;
- Bachelor universitaire de technologie (BUT);
- Diplôme de bachelor et de licence incluant un diplôme technologique (BTS ou DUT).
Les domaines d'études suivants sont priorisés : génie, informatique, mathématiques, actuariat, statistiques, finance et sciences quantitatives.
Moyenne minimale
Vous devez avoir obtenu une moyenne d’au moins 12 sur 20 pour l’ensemble des années universitaires.
Français
Vous avez le niveau requis en français si vous répondez à l’un des critères qui attestent que vous êtes francophone en raison de votre scolarité.
Autrement, vous devez réussir l’un des tests ou programmes de français avec le niveau intermédiaire-avancé.
Anglais
Bon nombre de lectures et de documents de référence sont en anglais. Il est donc fortement recommandé de maîtriser cette langue.
Pièces requises pour l'admission
Vous aurez des documents à fournir dans le cadre du processus d'admission.
La capacité d’accueil de certains programmes est limitée. HEC Montréal ne s'engage pas à accepter toutes les candidatures admissibles.
Autre sytème
Autre système d'enseignement
Diplôme requis
Vous devez être titulaire d’un diplôme universitaire reconnu par l'État donnant accès à un programme de maîtrise dans l’université d’origine (180 ECTS) en gestion ou dans un domaine connexe.
Non admissibles : les diplômes de bachelor et de licence incluant un diplôme technologique (BTS, DTS ou DUT).
Les domaines d'études suivants sont priorisés : génie, informatique, mathématiques, actuariat, statistiques, finance et sciences quantitatives.
Moyenne minimale
Vous devez avoir obtenu, pour l'ensemble des années universitaires, une moyenne d'au moins 12 sur 20 ou comparable selon le système de notation du pays.
Français
Vous avez le niveau requis en français si vous répondez à l’un des critères qui attestent que vous êtes francophone en raison de votre scolarité.
Autrement, vous devez réussir l’un des tests ou programmes de français avec le niveau intermédiaire-avancé.
Anglais
Bon nombre de lectures et de documents de référence sont en anglais. Il est donc fortement recommandé de maîtriser cette langue.
Pièces requises pour l'admission
Vous aurez des documents à fournir dans le cadre du processus d'admission.
La capacité d’accueil de certains programmes est limitée. HEC Montréal ne s'engage pas à accepter toutes les candidatures admissibles.
Passerelle à partir du D.E.S.S.
Passerelle à partir du D.E.S.S. en gestion – science des données et analytique d’affaires
- Avoir réussi 24 crédits du D.E.S.S. avec une moyenne cumulative d'au moins 2,7.
- Remplir le formulaire Demande administrative abrégée.
L’admission n’est pas automatique.
La candidature et la reconnaissance des acquis du D.E.S.S. seront analysées conformément à la structure du programme de maîtrise en vigueur lors du dépôt de la demande d’admission.
Estimation des frais de scolarité
Les montants indiqués ci-dessous sont approximatifs. Pour connaître les montants détaillés par crédits, consultez le tableau des frais pour le mémoire (PDF, 113 ko) ou pour le projet supervisé (PDF, 116 ko). Les frais d’assurance, de matériels scolaires, d’hébergement ou autres ne sont pas inclus.
Chaque trimestre, vous recevrez une facture avec le montant exact que vous devrez payer selon le nombre de crédits inscrits.
Les frais sont calculés par trimestre au cheminement avec mémoire et par crédit au cheminement avec projet supervisé.
Vous payez le tarif québécois si vous êtes résidente ou résident du Québec selon certains critères tels que la possession d’un certificat de naissance du Québec ou d’un certificat de sélection du Québec.
Coût du programme complet de 45 crédits à temps plein
- Mémoire : 6 900 $
- Projet supervisé : 7 600 $
Vérifiez si vous répondez à l’un des critères de résidence du Québec.
Vous payez le tarif canadien si vous êtes citoyenne ou citoyen de naissance ou naturalisé, autochtone, ou bien résidente ou résident permanent du Canada.
Coût du programme complet de 45 crédits à temps plein
- Mémoire : 16 500 $
- Projet supervisé en français: 17 200 $
- Projet supervisé en anglais : 22 000 $
Vérifiez si vous pouvez bénéficier d’une exemption et payer le tarif québécois.
Une entente intergouvernementale vous permet de bénéficier d’une exemption et de payer le tarif québécois plutôt que le tarif international.
Coût du programme complet de 45 crédits à temps plein
- Mémoire : 6 900 $
- Projet supervisé : 7 600 $
Vérifiez les conditions à respecter pour bénéficier de l’exemption.
Vous payez le tarif international si vous provenez de l’extérieur du Canada et qu’aucune exemption ne s’applique à votre situation.
Coût du programme complet de 45 crédits à temps plein
- Mémoire : 33 500 $
- Projet supervisé : 37 800 $
Ces frais offrent une inscription prioritaire au cours INTE 60004 Expérience Québec et à des cours de français, qui facilitent votre intégration aux marchés de l'emploi québécois et canadien.
Vérifiez si vous pouvez bénéficier d’une exemption et payer le tarif québécois ou canadien
Afin que le bon tarif soit appliqué, vous pourriez avoir des pièces à fournir pour prouver votre statut légal à la suite de votre admission.
Bourses
Chaque année, près de 1,6 million de dollars sont attribués en bourses par HEC Montréal aux personnes qui étudient à la maîtrise en gestion. Voilà un bon coup de pouce pour vous aider à financer vos études.
Ces bourses, d’une valeur de 2 000 $ à 4 000 $, sont accordées par la direction du programme de maîtrise en gestion aux meilleurs candidats admis sur la base de l’excellence de leur dossier d’admission.
Il n’y a aucune demande à remplir; les boursiers sont avisés par courriel.
Pour les étudiants étrangers n’ayant jamais fait d’études au Canada, une bourse d’exemption des frais majorés pour le premier trimestre d’inscription peut s’ajouter à une bourse d’admission.
Les organismes subventionnaires des gouvernements canadien et québécois accordent des bourses d’excellence de 15 000 $ et 17 500 $ aux étudiants ayant une excellente moyenne et souhaitant poursuivre leurs études à la maîtrise.
Conseil de recherches en sciences humaines du Canada (CRSH)
Bourses annuelles de 17 500 $ destinées aux étudiants de toutes les spécialisations, sauf celles en ingénierie financière, en méthodes analytiques de gestion et en intelligence d’affaires.
Date d’échéance : 1er décembre de chaque année
Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG)
Bourses annuelles de 17 500 $ destinées aux étudiants des spécialisations en ingénierie financière, en méthodes analytiques de gestion et en intelligence d’affaires.
Date d’échéance : 1er décembre de chaque année
Fonds de recherche du Québec – Société et culture (FRQSC)
Bourses annuelles de 17 500 $, accordées pour deux ans, destinées aux étudiants de toutes les spécialisations, sauf celles en ingénierie financière, en méthodes analytiques de gestion et en intelligence d’affaires.
Date d’échéance : habituellement durant la deuxième semaine d’octobre.
Fonds de recherche du Québec – Nature et technologie (FRQNT)
Bourses annuelles de 17 500 $, accordées pour deux ans, destinées aux étudiants des spécialisations en ingénierie financière, en méthodes analytiques de gestion et en intelligence d’affaires.
Date d’échéance : habituellement durant la première semaine d’octobre.
Bourse de 15 000 $ accordée dans le cadre d’un stage de recherche en entreprise d’une durée de 4 à 6 mois. Les étudiants en cheminement avec projet supervisé ou avec mémoire sont admissibles à cette bourse.
Dépôt de demande en tout temps (idéalement 3 mois avant le début du projet)
Entente entre le gouvernement du Québec et une quarantaine de pays
Le gouvernement du Québec a conclu, avec une quarantaine de pays et quelques organismes, une entente en vertu de laquelle les étudiants qui viennent poursuivre leurs études dans la province bénéficient d’une exemption des droits majorés. Le quota varie selon les pays. Les étudiants doivent faire les démarches auprès des responsables de ce programme dans leur pays.
Pour plus de renseignements, consultez la page sur les exemptions des droits de scolarité supplémentaires sur le site du gouvernement du Québec.